Gauss—Markoff估计的协方差改进形式及其在SUR模型中的应用

本文采用并推广Rao[1]的协方差改进原理，证明了线性模型（1．1）的Gauaa－Markoff估计（1．2）具有协方差改进形式＝（X′X）－1X′Y－（X′X）－1X′VN［NVN］＋NY，其中N＝I－X（X′X）－1X′．这一结果用于SUR系统yi＝Xiβi＋εi（i＝1，2，…，m），容易得到Zellner两步估计的有限样本性质．本文得到了一类系统的有限样本方差结果，从而完善了一些已有结果．     

SUR回归系统部分方程系数Zellner估计的有限样本性质

对于SUR回归系统(1),本文在弱于[2],[3]和[4]的条件X_l′X_i(i=2,…,m)下考虑第一个方程系数β_1的Zellner的两步估计(4),得到了β1基于非限定残差的两步估计(?)_(Z1)的均方误差矩阵精确结果,由此结果容易得到[3],[4]和[5]给出的已知结果。     

删失数据下回归函数的最近邻估计

设（X，Y）是一随机向量且变量Y的均值存在．假定Y被另一分布G的随机变量t删失，仅能观察到不完全数据（xi，Yi^ti,δi），i＝1，2，…n，其中Yi^ti＝min（Yi，Ti）,δi=I（Yi≤ti）。为了给出回归函数m（x）＝E（Y|X）的估计。文中使用了Stute提出的最近邻型回归估计，并给出了该估计的强相合性结果．     

SUR模型回归系数的估计

本文证明了一个关于SUR模型回归系数最小方差线性无偏估计(MVLUE)的充要条件,并利用此充要条件讨论了几类SUR模型回归系数的MVLUE估计及两步估计.在方法上避免了与分块矩阵求逆有关的运算,所得结论推广和完善了已有的一些结果.     

污染数据回归分析中估计的强相合性

考虑简单回归模型（Ⅰ）yi＝α＋xiβ＋εi，i＝1，2，…，n，与半参数回归模型（Ⅱ）yi＝xiβ＋g（ti）－εi，i＝1，2，…，n，其中Eεi＝0，Eεi2＝σ12．假定y1，y2，…，yn受到另一独立同分布随机变量序列μ1，μ2，…，μn的污染，且仅能观察到污染数据，｛μi｝与｛yi｝独立．对文[1]，[2]中给出的α，β，g（·）及污染参数v的估计，本文在适当的条件下，证明了它们的强相合性．     

2SUR回归模型系数估计的均方误差比较

对于2SUR回归模型的参数估计问题,给出了一些一航均方误差矩阵比较结果,据此提出了一类线性估计和一类基于离差阵广义非限定估计的非线性两步估计,并获得了该两步估计类的一些有限样本性质。     

相依回归系统一种协方差改进估计之协方差阵的无偏估计

考虑相依回归方程系统ｙｉ＝Ｘｉβｉ＋εｉ（ｉ＝１，２），Ｅ（εｉ）＝０，Ｃｏｖ（εｉ，εｊ）＝σｉｊＩｎ。记βｉ为βｉ的协方差改进估计＾［１］。σｉｊ未知时，记βｉ为用非限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，并记βｉ为用限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ。本     

矩阵损失下多元统计中期望向量的线性Minimax估计

设yi，y2，…，yn，i．i．d，Ey1＝β，Cov（y1）＝∑，这里ε∈RP和∑＞0未知，我们估计β，估计类为L＝｛Liyi：Li为p阶常数方阵，i＝1，2，…，n｝，损失函数为其中V1，V2＞0已知，我们研究β的一个线性估计在L中的Minimax性．主要结果是1．当V2＝kV1，k＞0时，β的唯一的Ⅰ-型线性Minimax估计为Y／（1＋），其中Y＝＝2．当V2＝kV1对所有k＞0不成立，但V1V2＝V2V1时，β的Ⅰ-型线性Minimax估计不存在．3．当V1V2＝V2V1时，β的Ⅱ-型线性Minimax估计为，这个估计在V1，V2满足条件V1V2＝V2V1下变化时，构成了集合｛AY：A对称，A的特征根均在（0，1）中｝．4．对于一般的V1，V2；Y仍是β的Ⅱ-型线性Minimnax估计，这个估计在V1，V2任意变化时，构成了集会｛AY:A的特征根是实的，特征根全在（0，1）中，且A只具有线性初等因子｝．     

由一道解析几何例题的解答所想到的

现行高中课本《平面解析几何》（必修）P38页中有这样一道例题：已知两条直线：l_1：x＋my＋b＝0，l_2：（m－2）x＋3y＋2m＝0．当m为何值时，l_1与l_2（i）相交；（ii）平行；（iii）重合．课本给出的解题过程是：解将两直线的方程组成方程组：解得m＝3．（i）当m≠3时，方程组有唯一解，l_1与l_2相交．（ii）当m＝－1时，方程组无解，l_1与l_2平行．（iii）当m＝3时，方程组有无穷多解，l_1与l_2重合．其实，当m＝2或m＝0时，这两条直线也相交，这正是及的分母为0的倩况．因此这类问题还应注意对分母为零的情况的讨论．下面，我们不妨再…     

分块半相依线性回归模型的参数估计

考虑一般的分块半相依线性回归（SUR）模型及其相应的简约模型，给出简约模型下未知回归系数及其可估函数的协方差改进估计仍是分块SUR模型下相应参数的协方差改进估计的一个充要条件．     

增长曲线模型中回归系数的广义根方估计

本文对增长曲线模型中的回归系数B提出了一种新的估计形式－广义根方估计的B（K），其中K＝diag(k1,k2,…，kp）并证明了通过广义根方偏参数ki(i=1,2,…，p）的适当选取可使得该估计在均方误差矩阵的意义下优于已有的LS估计和根方估计，及广义根方估计是可容许估计，本文还给出了选取广义根方偏参数的两种方法，算法及一个应用实例。     

混合误差半参数回归模型估计的强相合性

对半参数模型y（n）i＝β（n）xi＋g（t（n）i）＋ε（n）i，i＝1，2，…，n，综合运用最小二来法和非参数估计法，定义了β，g的估计量　，gn，在误差为某些混合序列下，得到了，gn（t）的强相合性及gn（t）的一致强相合性．     

增长曲线模型中系数矩阵的线性容许Minimax估计

对于生长曲线模型Y＝X_1B_1X_2＋ε，Cov（ε）＝σV，本文分别在某种齐次线性估计类L0和非齐次线性估计类L_1中找到了系数矩阵的线性可估函数KBL的容许Minimax估计，并且证明了这种估计是唯一的．     

一个半参数回归模型的渐近正态性

考虑半多数回归模型yi＝xiβ＋g（xi）＋εi，lin，这里xi是具有已知方差σ的独立同分布随机样本，εi是具有零均值和有限方基σ2的独立同分布随机误差．β，g和εi的分布密度是未知的．本文作者构造了一个具有更小渐近方差的β的一个渐近正态估计．     

关于群布尔矩阵的收敛和周期

在文[1]和[2]中,各自得到了如下结果：一个循环布尔矩阵A是本原的当且仅当gcd（i2-i1,…,i1-i1,n）＝1,其中A＝Pi1十Pi2十…＋Pi1,0≤i1＜i2＜…＜i1≤n-1,P是对应于n阶循环置换（123…n）的置换矩阵．在本文中,先把此结果推广到群矩阵（一种循环矩阵的推广）．其次,讨论群布尔矩阵的周期．给出了计算周期的算法,最后,探讨循环布尔矩阵A的使Am p＝Am的最小正整数m.     

方程(dx/dt)=x~n sum from i=0 to (n-1) a_i(t)x~2的闭解的个数及存在的条件

本文给出方程n＝3时分别正好存在1个闭解，3个闭解，以及至少存在2个闭解的充分条件，并研究了这些闭解的稳定性．当n＝4且ai（t）（i＝0，1，2，3）为t的P次多项式时，文[1]曾猜想其时闭解重数的上界为max｛4，p＋3｝．本文举例指出，即使p＝3，闭解重数的上界也可以大于7．这说明该猜想不成立     

矩阵最小奇异值下界的估计

1．引言与记号记号：儿已（：。X。阶复矩阵集合；从利：A的特征值；一（川：A的最小奇异值；A”：A的共轭转置；【I州：绝对向量范数诱导的矩阵范数；。l（A为A的最大奇异值）时，最小奇异值m（人）下界的估计a是一个关键的数．an（A的下界在其他许多领域中都是一个极重要的课题，因而最小奇异值下界的估计一直是普遍关注的问题二［1，2］等仅利用A的元素得到了N（A）下界的简单估计，至今仍被广泛引用，其结果如下：设AE地（q．若【aiiIZ凡（A）且冲i三q（川，d＝1，…，n，则本文试图通过矩阵的分块和H矩阵特性等来讨论。（）的…     

相依线性回归方程组的一种“朴实”两步估计的有效性

对于相依线性回归方程组Ｙｉ＝Ｘｉβｉ＋εｉ（ｉ＝１，２），我们提出了系数向量βｉ的一种较为简便的“朴实”的两步估计量，例如β１的估计量为β１（Ｔ）＝（Ｘ’１，Ｘ１）＾－１Ｘ‘１Ｙ１－σ１２σ２２（Ｘ’１Ｘ１）＾－１Ｘ‘１ＴＹ２。其中Σ＝（σｉｊ）的一种估计量，本文给出了Σ的一种新取法，通过均方误差矩阵的大小我们证明了这种简便两种估计有有限样本量下可优效于ＬＳ估计。     

协方差改进估计与相依混合效应回归方程

本文首先讨论了广义线性模型Ｙ＝Ｘβ＋ε（ε～（Ｏ，Ｖ））的系数β的最优线性无偏估计是用Ｔ２＝ＸＹ作为伴随变量对最小二乘估计Ｔ１＝（ＸＸ）－１Ｘ１Ｙ进行改进而得到的协方差改进估计．并把所得结果用于经济领域中的线性相依回归方程系统（ＳｅｅｍｉｎｇｌｙＵｎｒｅｌａｔｅｄＲｅｇｒｅｓｓｉｏｎＥｑａｕｔｉｏｎｓＳｙｓｔｅｍ）．然后关于一类线性相依混合效应回归方程系统，提出了一种优化估计方法。     

非参数回归函数核估计的Lp收敛速度

在p≥1和适当的条件下，给出了回归函数m(x)＝E（Y|X＝x）的核估计的若干种Lp收敛速度，改进并推广了韦来生（1984）的结果。